近日，电子科技大学生命科学与技术学院脑机交互研究团队在人工智能领域国际顶级期刊IEEE Transactions发表题为“高效图学习系统”的论文。 IEEE Transactions on Neural Networks and Learning Systems and Systems、Human and Cybernetics : Systems 上的两篇长论文（常规论文），《Emotion Recognition Inspired by Cognitive Prior Graphs in EEG Brain Networks》和《Brain Networks Inspired in Cognition》``Graph embedding流形上的“情感识别模型”。该团队李存波博士为该论文的第一作者，徐鹏教授、姚德忠教授和李法利副研究员为共同通讯作者，两项研究均得到科技创新2030的资助。 -“脑科学与类脑研究”重大专项及国家自然科学基金委资助。委员会重大科研项目。
团队介绍：脑仪通讯团队是教育部神经信息学重点研究院最重要的科研团队之一。近年来，团队承担了科技创新2030“脑科学与类脑智能”重大项目、国家自然科学基金重大项目、863项目等20余项重大项目。在国际重要学术期刊发表SCI收录论文300余篇，申请国家专利20余项，荣获黄嘉石生物医学工程奖一等奖和教育部自然科学奖一等奖。做过。以及国际脑电图和临床神经科学学会罗伊·约翰奖。
考虑到深度学习策略在情绪脑电识别中应用时存在的认知可解释性问题，作者通过认知启发法和数据，将情绪脑电作为认知先验图谱信息来描述个体的情绪过程的网络。一种融合策略，学习情绪脑电信号的潜在图特征，并提出一种基于脑电网络认知先验图的情绪脑电深度图学习系统（大脑网络的最初灵感和融合注意力的图卷积网络框架）机制，BF-GCN）。
在这个学习系统中，首先将个体的情感脑电图网络用作具有认知先验的灵感图特征，并通过注意力学习机制将数据驱动的学习策略和认知启发的学习策略相结合，以补充单一的数据驱动的学习策略。情绪脑电图信号认知解释的图形表示的局限性。基于公共脑电数据集的单个体和个体间实验结果表明，BF-GCN模型有效地挖掘了情绪脑电信号的潜在图模式，提供了鲁棒且有效的深度图特征挖掘优势，我们证明了情绪脑电解码可以。得以实现。研究方向是构建稳健、高效、广义的情绪脑电解码模型。
T-NNLS文章提出的BF-GCN图学习系统总体框架
为了有效地表征情感脑电网络样本中认知模块的结构相似性，作者提出了一种L1 范数空间（L1-CGE）中的认知启发图嵌入模型，以实现脑电网络的认知图表示和鲁棒性。评估个人的情绪状态。具体来说，在L1-CGE模型中，作者提出了一种基于脑电网络拓扑的认知启发脑电网络结构相似性度量来表征脑电网络节点之间的亲和力，构建个体情感脑电网络的潜在高维流形拓扑。此外，嵌入L1范数空间中定义的子空间目标函数的最优图用于学习情感脑电网络的最优认知图表示并提取情感脑。电气网络的低维认知图特性可以对个体进行有效的评估。情绪状态。
实验结果表明，L1-CGE模型有效满足了在线情感解码任务中模型鲁棒性和实时性的应用需求，成功完成了个体情绪状态的在线实时解码和动态评估，准确率达到84.38%。它显示了可以实现的目标。一系列实验结果验证了L1-CGE模型在解码个体情绪状态方面的稳健性和有效性，为在线情绪脑机接口系统的进一步应用开发提供有效支撑。
T - SMCA 文章中提出的L1-CGE 图表征模型的框图
脑机交互研究团队取得的成果离不开成都生命科学技术研究院的大力支持。目前，学校的研究条件已达到国际先进水平，建有教育部神经信息学重点实验室、神经信息学系国际合作研究中心、四川省高等教育重点实验室。电子科技大学成都脑科学研究所磁共振脑影像科、同院、四川省脑科学研究所、中古神经技术转化前沿联合研究院。我们为教师和学生搭建了攀登科学顶峰的阶梯。
生命科学与工程学院不仅科研实力雄厚，而且拥有优秀的师资队伍。目前，学校拥有专任教师87人，其中近18%为学者授课的高水平教师，近10%为外籍教师。现有高级职称教师35人，半高级职称教师42人，中级职称教师10人，共有科研团队和独立PI10余人。研究团队。大学教师以严谨的学术态度和不断创新的精神，帮助学生成长为未来的社会栋梁。
探究生命奥秘，追求科学真理。未来，我们期待成都大学师生继续共同努力，为这所创新型学校谱写属于自己的辉煌篇章。
关注“电子科技大学本科招生”标题，获取更多精彩信息。
本文来源：电子科技大学官网/官方微信、青春生活官方微信
版权声明：本文转载于网络，版权归作者所有。如有侵权，请联系本站编辑删除。